UNet-basierte Methoden haben in der Erkennung von auffälligen Objekten (SOD) außergewöhnliche Leistungen gezeigt, aber sie sind in zwei Aspekten problematisch. 1) Die ununterscheidete Integration der Enkodierer-Features, die räumliche Informationen für mehrere Objekte enthalten, und der Dekodierer-Features, die globale Informationen des auffälligen Objekts beinhalten, kann dazu führen, dass unnötige Details nicht-auffälliger Objekte an den Dekodierer weitergegeben werden, was die Salienz-Erkennung behindert. 2) Um unscharfe Objektgrenzen zu bearbeiten und genaue Salienz-Karten zu generieren, benötigt das Modell zusätzliche Zweige wie Kantenrekonstruktionen, was zu erhöhten Rechenkosten führt. Um diese Probleme anzugehen, schlagen wir ein Kontextfusionsdekodernetzwerk (CFDN) und eine nahe Kanten gewichtete Verlustfunktion (NEWLoss) vor. Das CFDN erstellt eine genaue Salienz-Karte durch die Integration von globalen Kontextinformationen und damit die Unterdrückung des Einflusses unnötiger räumlicher Informationen. NEWLoss beschleunigt das Lernen von unscharfen Grenzen ohne zusätzliche Module durch die Generierung von Gewichtskarten auf den Objektgrenzen. Unsere Methode wurde anhand vier Benchmark-Datensätze evaluiert und erreicht state-of-the-art-Leistung. Wir beweisen die Effektivität der vorgeschlagenen Methode durch vergleichende Experimente.